Upload
others
View
7
Download
0
Embed Size (px)
Citation preview
FACULTAD DE CIENCIAS CONTABLES, ECONÓMICAS Y FINANCIERAS
ESCUELA PROFESIONAL DE ECONOMÍA
MODELO DE PROYECCIÓN PARA LA CURVA DE
RENDIMIENTO DE LOS BONOS SOBERANOS PERUANOS
2006-2016
PRESENTADA POR
DANIEL MANUEL CORBETTO GALDOS
ASESOR
SANTIAGO MONTENEGRO CANARIO
TESIS
PARA OPTAR EL TÍTULO PROFESIONAL DE ECONOMISTA
LIMA – PERÚ
2019
CC BY
Reconocimiento
El autor permite a otros distribuir y transformar (traducir, adaptar o compilar) a partir de esta obra,
incluso con fines comerciales, siempre que sea reconocida la autoría de la creación original
http://creativecommons.org/licenses/by/4.0/
i
FACULTAD DE CIENCIAS CONTABLES, ECONÓMICAS Y FINANCIERAS
ESCUELA PROFESIONAL DE ECONOMÍA
MODELO DE PROYECCION PARA LA CURVA DE RENDIMIENTOS DE LOS BONOS SOBERANOS PERUANOS 2006 - 2016
TESIS
PARA OBTENER EL TÌTULO PROFESIONAL DE ECONOMISTA
PRESENTADO POR:
DANIEL MANUEL CORBETTO GALDOS
LIMA – PERÚ
2019
ii
DEDICATORIA
Dedico este trabajo de investigación
a mi familia, a mis profesores
y compañeros de universidad.
iii
Portada ………………………………………………………………………………………… i Dedicatoria………………………………………………………………………..…………… ii ÍNDICE………………………………………………………………………………………….. iii RESUMEN – ABSTRACT……………………………………………………………………. v INTRODUCCIÓN………………………………………………………………………………. vii CAPITULO I MARCO TEÓRICO
1.1 Antecedentes de la Investigación……………………………………………...... 1 1.2 Bases Teóricas………………………………………………………………………. 2
1.2.1 Modelos de Estructura Dinámicos de tasas de interés……………….. 2 1.2.2 Modelo de Vasicek………………………………………………………… 3 1.2.3 Modelo de Cox – Ingersoll – Rox (CIR)…………………………………. 7 1.2.4 Modelos Paramétricos de tasas de interés…………………………….. 8 1.2.5 Modelo de Nelson – Siegel ………………………………………………. 9 1.2.6 Modelo de Nelson – Siegel – Svensson…………………………….….. 10 1.2.7 Modelo Dinámico de Nelson – Siegel…………………………………… 11
1.3 Términos Técnicos………………………………………………………………..... 12
CAPITULO II HIPOTESIS Y VARIABLES 2.1 Formulación de Hipótesis.………………………………………………………… 13
2.1.1 Hipótesis Principal…………………………………………………………. 13 2.1.2 Hipótesis Secundaria……………………………………………………... 13
2.2 Variables y definición Operaciones……………………………………………… 14 2.2.1 Variables Independientes….……………………………………………... 14 2.2.1 Variables dependientes…………………………………………………... 14
CAPITULO III METODOLOGÍA
3.1 Diseño Metodológico………………………………………………………………. 14 3.1.1 Tipo de Investigación……………………………………………………… 14
3.2 Diseño Muestral…………………………………………………….……………….. 15 3.3 Técnicas de Recolección de datos…………………….………………………… 16 3.4 Técnicas estadísticas para el procesamiento de la información…...……… 17 3.5 Aspectos Éticos…………………………………………...………………………… 17
CAPITULO IV RESULTADOS ……………………………………………………………. 18 CAPITULO V DISCUSION....……………………………………………………………. 49 CONCLUSIONES ……………………………..………………………………………………. 50
iv
RECOMENDACIONES……………………..………………………………………………. 51 FUENTES DE INFORMACIÓN………………………………………………………………. 52 ANEXOS………………………..………………………………………………………………. 54
v
RESUMEN
El objetivo del presente trabajo de investigación fue generar un modelo
paramétrico que permita realizar proyecciones de la curva de rendimientos
soberana Peruana en Soles, para el periodo comprendido entre los años 2006 y
2016, utilizando la metodología de Nelson & Siegel Dinámico.
La elección de un modelo paramétrico, por sobre los modelos univariados de
primera generación (Vasicek, Cox – Ingerson – Roll), se sustenta en la flexibilidad
que ofrecen para la caracterización de las curvas de rendimiento y en la
posibilidad de implementarlo en mercado de baja liquidez, como es el caso
peruano.
Los resultados obtenidos fueron contrastados con los datos observados,
mostrándose un alto poder de predicción del modelo estimado, explicado en un
poder de predicción de 91% en promedio, principalmente para los tramos cortos
de la curva de rendimiento, donde el poder de predicción llega hasta picos de
97%. Debido a los resultados obtenidos, se valida el modelo estimado para la
utilización en la toma de decisiones financieras tanto en el caso Peruano como en
otros mercados que tengan características similares a este tipo de mercados.
Palabras claves: Mercado de Capitales, Renta Fija, Curva de Rendimientos, Nelson – Siegel.
vi
ABSTRACT
He aim of this research project has been to provide a parametric model, using
Nelson & Siegel methodology, in order to project the Sovereign Yield Curve of
Peruvian Bonds in local currency, for the period between the years 2006 y 2016.
The choice of a Parametric Model, over the first generation univariates models
(Vasicek, Cox – Ingerson – Roll), it’s sustained on the flexibility they offer for the
characterization of yield curves, and in the possibility of implementing it in a
illiquidity market, like the Peruvian.
The obtained results were contrasted with the observed data, showing a high
explanatory power in the estimated model in 91% in average, mostly for the short
term of the yield curve, with an explanatory power with spikes of 97%. Due to the
results obtained, the estimated model is validated for use in making financial
decisions, both in the Peruvian case and in other markets that have similar
characteristics to this type of markets.
Keywords: Capital Markets, Fixed Income, Yield Curve, Nelson – Siegel.
vii
INTRODUCCION
La curva de rendimientos soberana es la representación gráfica de la relación
existente entre las tasas de interés y el tiempo al vencimiento de los Bonos
Soberanos emitidos por el Gobierno Central del Perú. Estos instrumentos
representan uno de los principales mecanismos con el cual se fondean los
gobiernos y tienen características de libre de riesgo de crédito, cuando son
emitidos en moneda local.
En el contexto retador en el que se encuentra el trabajo de investigación (Post
crisis financiera 2008), con tasas de interés deprimidas, y una marcada reducción
en el nivel de volatilidad en los mercados financieros, toma mayor relevancia la
necesidad de afinar la proyección de la curva de rendimientos, para poder
optimizar la toma de decisiones financieras.
Ante esta problemática, el presente trabajo busca elaborar un modelo para la
proyección de la curva de rendimiento soberana en Soles, elaborado con
metodología paramétrica de Nelson & Siegel, utilizando información comprendida
entre los periodos del 2006 al 2016, con el fin, de proveer un modelo para
optimizar la toma de decisiones financieras en el mercado peruano. Es importante
señalar que en una realidad como la peruana, donde el sistema bancario domina
el mercado de capitales, la liquidez de este último es un limitante para el análisis.
El presente trabajo de investigación se define como no experimental, con un
enfoque cuantitativo (Variable dependiente: Tasas de interés), tomando como
muestra la información de las Curvas Cupón Cero en Soles (CUSO), publicada por
la SBS, con frecuencia mensual, para los periodos comprendidos entre enero
2006 y mayo 2016.
En el primer capítulo, se presenta de las diferentes teorías financieras realizadas
con respecto a la descripción de la curva de rendimiento y su dinámica, en el
viii
segundo capítulo, se presenta la metodología utilizada para la parametrización del
modelo, y la delimitación histórica empleada.
En el tercer capítulo, se exhibe los resultados obtenidos con el modelo empleado,
además de contrastar estos resultados con información observada. También se
realizada un análisis de estos resultados, y las desviaciones encontradas con la
realidad, en el cuarto capítulo, se presentan las conclusiones y recomendaciones
del trabajo de investigación, finalmente se presenta la bibliografía utilizada, así
como la matriz de consistencia que forma parte del presente trabajo de
investigación.
1
CAPÍTULO I: MARCO TEÓRICO
1.1 Antecedentes de la Investigación
Pereda, J. (2010). Estimación de la curva de rendimiento cupón cero para el Perú
y su uso para el análisis monetario. En este trabajo, el autor realiza estimaciones
para la curva de rendimientos en soles, utilizando 2 modelos: El modelo de Nelson
& Siegel, y el modelo de Svenson, que como veremos más adelante es una
extensión del primero. El autor concluye que el modelo de Svenson tiene el mejor
ajuste en comparación con el modelo de Nelson & Siegel, sin embargo, es más
inestable cuando el mercado no es muy liquido (Falta de precios para los distintos
vencimientos) y/o profundos (ausencia de emisiones en los distintos
vencimientos). Estas características, son propias del mercado de capitales
peruano, por lo cual concluye que el modelo Nelson & SIegel es preferible.
Schlesinger, A. (2006). Estimación de la Estructura de Tasas de Interés Reales, de
los instrumentos de Renta Fija en Chile. El autor realiza una comparación entre los
resultados obtenidos para la estimación entre los modelos de Nelson & Siegel,
Svenson y de Splines (Función de polinomios). Concluye que el método
paramétrico con el menor error de estimación es el de Nelson & Siegel. Sin
embargo cuando al modelo Splines se le aplica una función de Smooth (Función
que penaliza la variabilidad del curva, “suavizando” los resultado), esta resulta
superior al modelo de Nelson & Siegel. En el presente trabajo de investigación, no
se ha incorporado el modelo de Splines, dentro del análisis, por carecer de una
base teórica para su aplicación.
2
1.2 Bases Teóricas
1.2.1 Modelos de Estructura Dinámicos de tasas de interés.
También denominados como modelos de primera generación. Se caracterizan
entre otras cosas, por ser modelos univariados, es decir, solo existe una única
variable explicativa para la dinámica de las tasas de interés, y por poseer una
estructura para la evolución de las tasas de interés como un proceso continuo.
Estos modelos en general pueden ser representados por la ecuación (1): d𝑟𝑡 = 𝑎(𝑟𝑡 , 𝑡)d𝑡 + 𝑏(𝑟𝑡 , 𝑡)dw𝑡 (1)
De manera adicional, estos procesos se fundamentan en 2 supuestos:
Existe un proceso que gobierna la dinámica de la tasa de interés de Corto
Plazo. Este proceso es la parte determinística (d𝑡) del modelo, el cual
variará conforme pase el tiempo.
La dinámica de la tasa de interés, es además modelada por un proceso
estocástico1 (dw𝑡), que es la caracterización de un Movimiento Browniano2,
con una distribución de Probabilidades del Mundo Real3. Este proceso
estocástico, trata de identificar la relación acerca de la aversión al riesgo de
los inversionistas.
Como se detallará a continuación, existen 2 modelos dentro de este grupo: El
modelo de Vasicek de 1977 y el modelo de Cox-Ingersoll- Roll (CIR) de 1985.
1 Proceso Aleatorio. 2 Proceso Aleatorio de trayectoria continua y de incrementos independientes. Fue observado por primera vez en partículas microscópicas en fluidos. 3 Distribución de probabilidades que levantan el supuesto de que los individuos sean neutralmente adversos al riesgo. A diferencia de la distribución de probabilidad de riesgo neutral, que se utiliza para valuar activos o medir riesgo.
3
1.2.2 Modelo de Vasicek:
Este modelo fue ideado por Oldřich Alfons Vašíček, matemático y analista
cuantitativo, de nacionalidad Checa. La primera aparición de este modelo, fue en
un paper publicado por el “Journal of Financial Economics” en 1977.
El modelo asume un proceso de Ornstein – Uhlenbeck4, para la dinámica de la
curva de rendimientos. Esto implica la existencia de un proceso de reversión a la
media5 de las tasas de interés.
Vasicek representa la dinámica de las tasas de interés de la siguiente manera: d𝑟𝑡 = κ(𝑟̅ − 𝑟𝑡 )d𝑡 + 𝜎dw𝑡 (2)
Dónde: 𝑟̅ = Es la tasa de interés de largo plazo. A la cual ha de revertir la de corto plazo. 𝑟𝑡 = Es la tasa de interés Observada o de Corto plazo. κ = Velocidad de Reversión a la media. 𝜎 = Volatilidad del proceso. Se caracteriza por ser constante en el modelo de
Vasicek. Lo cual implica que es independiente del nivel de r.
La ecuación (2) puede ser resuelta, utilizando el “Lema de Ito”6.
El Lema de Ito, representa en este caso particular, la dinámica del Precio de los
Bonos, activo sujeto a la tasa de interés, y se modela de la siguiente manera:
dP = dP𝑑𝑟𝑑𝑟 + dP𝑑𝑡𝑑𝑡 + 1 𝑑2P(𝜎2d𝑡)2𝑑𝑟2 (3)
4 Proceso estocástico que describe la velocidad de un movimiento Browniano que se ve afectado por fricciones. En el caso particular de Finanzas por shocks de información o de volatilidades. 5 Proceso por el cual una variable tiene a su media de largo plazo y se desvía de ella productos de shocks. 6 Regla de cadena del cálculo estocásticos. Usado de manera intensiva en Finanzas para la valoración de derivados.
4
Utilizando la ecuación (3) junto con la representación de Vasicek (Ecuación 2),
obtenemos:
dP = 𝑑𝑃𝑑𝑟 [𝜅(𝑟̅ − 𝑟𝑡 )dt + σd𝑤𝑡 ] + 𝑑𝑃𝑑𝑡 dt + 1𝑑2P2𝑑𝑟2 (𝜎2dt) (4)
Reagrupando la ecuación (4) se puede obtener la siguiente representación:
dP = [𝑑𝑃𝑑𝑟 𝜅(𝑟̅ − 𝑟𝑡 ) + 𝑑𝑃𝑑𝑡 + 𝜎2𝑑2P2𝑑𝑟2 ] dt + 𝑑P𝑑𝑟 𝜎d𝑤𝑡 (5)
Donde la parte determinística, esta agrupada entre corchete y multiplica a dt. Esta
representa la media del Crecimiento del Precio (P) del Bono, dado un tiempo al
vencimiento (N) y una tasa de interés (r). De manera similar, los componentes que
multiplican d𝑤𝑡 representan la desviación estándar para el Bono en particular, que
es, como ya se ha mencionado, la parte estocástica del proceso.
Por lo anterior, la ecuación (5) se puede representar de manera más intuitiva por
la ecuación (6): dP = μP(rt, N)P(rt, N)dt − σP(N)P(rt, N)dwt (6)
Donde μP, representa la Media del precio del Bono y σP representa la desviación
del mismo.
Ahora, y de manera similar al procedimiento de valorización de opciones, se
procede a construir un portafolio con 2 Bonos. En uno se mantiene una posición
larga7 de 1 Unidad, mientras que en el segundo se mantiene una posición corta8.
7 Mantener una posición Larga en un activo hace referencia principalmente, a beneficiarse por un aumento en su precio. 8 Mantener una posición Corta en un activo hace referencia principalmente, a beneficiarse por una reducción en su precio.
5
Dado que ambos Bonos poseen la misma fuente de incertidumbre el portafolio que
se desea construir, podrá tener la caracteriza de ser libre de riesgo. Esto se
logrará eligiendo cuidadosamente la cantidad a tener en el Bono de la posición
corta.
Usando la metodología empleada en la valorización de opciones (Black & Scholes,
1973), la cantidad requerida del Bono en posición corta para lograr eliminar el
riesgo está dado por la siguiente expresión:
− [𝜎𝑝(𝑁1)𝑃(𝑟𝑡 𝑁1)𝜎𝑝(𝑁2)𝑃(𝑟𝑡 𝑁2)] (7)
Por lo cual el Portafolio Coberturado (Portfolio Hedge), puede ser representado de
la siguiente manera:
Ht = Pt(rt, N1) − [σp(N1)P(rtN1)σp(N2)P(rtN2)] Pt(rt, N2) (8)
Mientras que la dinámica de este portafolio es representado por la ecuación (9):
dHt = dPt(rt, N1) − [σp(N1)P(rtN1)σp(N2)P(rtN2)] dPt(rt, N2) (9)
Reemplazando los datos obtenidos de la ecuación número (6) en la ecuación (9),
se obtiene: dHt = μP(rt, N1)P(rt, N1)dt − σP(N1)P(rt, N1)dwt− [σp(N1)P(rtN1)σp(N2)P(rtN2)] μP(rt, N2)P(rt, N2)dt+ [σp(N1)P(rtN1)σp(N2)P(rtN2)] σP(N2)P(rt, N2)dwt
(10)
6
La ecuación (10), puede ser reescrita como:
dHt = μP(rt, N1)P(rt, N1)dt − μP(rt, N2) dt σp(N1)P(rtN1)σp(N2) (11)
Como se puede observar la dinámica del Portafolio H, está gobernado solo por las
medias (μp) de los 2 Bonos que los componen, más no por las volatilidades de los
mismos (La cual ha sido eliminada). De esta manera se certifica la existencia de
un portafolio libre de riesgo.
Dado que este portafolio es libre de riesgo, el rendimiento de este deberá ser el
mismo del activo libre de riesgo (Supuesto de no arbitraje)9. Por lo cual se deberá
de cumplir la siguiente expresión:
μP(rt, N1) − 𝑟𝑓σp(N1) = μP(rt, N2) − 𝑟𝑓σp(N2) = 𝜆 (12)
10 (Market Risk Premium).
La ecuación (12) implica que cualquier Rendimiento mayor a la tasa libre de riesgo
(rf), estará asociado a un nivel de riesgo. De manera similar se establece que no
es posible obtener un Rendimiento mayor a su correspondiente nivel, dado el
riesgo que se ha asumido (Principio de no arbitraje).
Con el resultado obtenido tanto por el Lema de Ito y por el portafolio H, se obtiene: 𝑃𝑟,𝜅(𝑟̅ − 𝑟𝑡) + 𝑃𝑡 + 12 𝑃𝑟𝑟𝜎2 = 𝑟𝑡 𝑃 − 𝜆𝜎𝑃𝑟 (13)
9 El Supuesto de no arbitraje señala que todos los activos estén correctamente valorizados, alineados a sus fundamentos. No es posible realizar ganancias extraordinarias, sin asumir riesgos considerables. 10 Cantidad de riesgo (Medido en Volatilidad) que se debe asumir para generar una ganancia mayor a la tasa libre de riesgo (Y que corresponderá exactamente al nivel de riesgo asumido).El Ratio de Sharpe para todos los inversionistas deberá ser siempre igual.
7
La Ecuación (13) que representa la dinámica del precio de los Bonos, junto con los
PDE11 y el Boundary Condition12 (Black & Scholes, 1973), tiene solución, y es
representada por la siguiente ecuación: 𝑃𝑡𝑁 = 𝑃(𝑟𝑡 , 𝑁) = 𝐴(𝑁)𝑒(−𝐵(𝑁)𝑟𝑡) (14)
Dónde:
𝐵(𝑁) = 1 − 𝑒−𝜅𝑁𝜅 (15)
𝐴(𝑁) = 𝑒𝑥𝑝 [(𝐵(𝑁) − 𝑁) (𝑟̅ + 𝜆 𝜎𝜅 − 1𝜎22𝜅2) − 𝜎2𝐵(𝑁)24𝜅 ] (16)
Finalmente, y dado que el Precio del Bono es el valor presente de los flujos futuros
descontados a un set particular de tasas de interés. La Solución del modelo de
Vasicek, para las proyecciones de tasas de interés está dada por la siguiente
ecuación: 𝑌(𝑟𝑡 , 𝑁) = − 1𝑁 {ln (𝐴(𝑁) + 𝐵(𝑁)𝑟𝑡 } (17)
Donde 𝑌, es el set de tasas de interés para los distintos vencimientos existentes.
1.2.3 Modelo de Cox-Ingersoll- Roll (CIR)
Este modelo también es conocido como Square Root Procees o Proceso Continuo
de Raíz Cuadrada, el modelo fue introducido en el año de 1985 por los
economistas Estadounidenses John C. Cox, Jonathan E. Ingersoll y Stephen A.
Ross, como una extensión del Modelo de Vasicek.
11 Ecuación parcial diferencial. Contiene funciones multivariadas desconocidas y sus correspondientes derivadas parciales. 12 Set de restricciones que limitan las posibles soluciones a una sola ecuación diferencial.
8
El Modelo de Vasicek, permitía algunas características para la dinámica de las
tasas de interés, que no eran deseadas y tampoco coincidían con la evidencia
empírica de ese momento: Tasas de interés negativas13 y una volatilidad
Constante.
El modelo CIR, corrige estos problemas, planteándose como un modelo univariado
con reversión de la media (Al igual que Vasicek), pero con la particularidad de que
la Volatilidad esta multiplicada por la raíz cuadrada del nivel de la tasa de interés.
Esta es la razón por la cual es conocido como un modelo de Proceso Continuo de
Raíz Cuadrada. Es representado por la ecuación (18):
d𝑟𝑡 = κ(𝑟̅ − 𝑟𝑡 )d𝑡 + 𝜎√𝑟𝑡 dw𝑡 (18)
Esto permite que la Volatilidad sea variable a lo largo del tiempo, dependiendo del
Nivel de la tasa de interés: a mayor el nivel, mayor será la volatilidad, mientras que
cuando el nivel es cercano a cero (En este modelo no existen tasas de interés
negativas) la volatilidad es reducida. Esta característica del modelo cumple con la
evidencia empírica de variaciones de la volatilidad que se observa en los activos
financieros a lo largo del tiempo (Volatility Clusters).
De manera similar a la ruta planteada para la solución del Modelo de Vasicek, el
Modelo CIR tiene solución, y es representada por la siguiente ecuación:
𝑃𝑡𝑁 = 𝐴(𝑁)𝑒(−𝐵(𝑁)𝑟𝑡) (19)
1.2.4 Modelos Paramétricos de tasas de interés.
En los modelos de primera generación, se observa que la dinámica ha sido
modelada por modelos univariados (Siendo la variable el nivel de la tasa de
13 Las tasas de interés negativas no fueron empleadas hasta después de la crisis inmobiliaria y financiera mundial del 2007. Antes de esto solo existían como una particularidad teórica.
9
interés), sea en procesos de Ornstein – Uhlenbeck o de raíz cuadrada. Sin
embargo la evidencia observada en la data arroja que las estructuras de las tasas
de interés son algo más complejas, y llegan a tomar distintas formas, dependiendo
de no una única variable.
De acuerdo a estudios realizados la estructura de las curvas de rendimiento, se
puede explicar por lo menos en 3 variables factores, aunque solo la primera (El
nivel) explica más del 90% (Litterman & Scheinkman, 1991). Adicionalmente el
poder explicativo y los factores necesarios para describir la curva de rendimiento
son el nivel de la tasa de interés (96.60%), la pendiente de la tasas de interés
(99.60%) y la curvatura (99.80%). (Piazzesi & Cochrane, 2009)
El “Factor Nivel” puede ser interpretado como el promedio ponderado de la tasa de
interés. El “Factor Pendiente” es interpretado como las preferencias que tiene el
mercado por los activos de corto plazo (Peso negativo en el largo plazo y positivo
en el corto plazo) o por los activos de largo plazo (Peso negativo en el corto plazo
y positivo en el largo plazo). Finalmente el “Factor curvatura” es una medida
complementaria que hace relación a la sensibilidad al riesgo y la cual permite que
existan diferentes formas para las curvas de rendimientos. (Lundblad, 2016)
Los modelos de segunda generación, debían entonces, abarcar estas variables
para poder mejorar el poder de ajuste de las proyecciones.
1.2.5 Modelo de Nelson - Siegel
En 1987 Nelson & Siegel, proponen un nuevo “modelo” para la estimación de la
curva de rendimientos, que “puede ser observada como una constante más una
función Laguerre, que es una función polifónica que multiplica un término
exponencial que decae…” (Diebold & Li, 2006). La Ecuación de Nelson – Siegel (N
& S) es representada de la siguiente manera:
10
𝑦(𝜏) = 𝛽1 + 𝛽2 (1 − 𝑒−𝜆𝜏𝜆𝜏 ) + 𝛽3 (1 − 𝑒−𝜆𝜏𝜆𝜏 − 𝑒−𝜆𝜏) (20)
Donde 𝛽1, 𝛽2 y 𝛽3 son parámetros a estimar (Modelo paramétrico). El parámetro 𝜆, también ha de ser estimado, y es esta variable la que hará calibrar el modelo.
Como resultado, se obtendrá una tasa de interés, para los diferentes plazo (𝜏) de
la curva.
Analizando la representación de la ecuación de N & S, se observa que son 3
factores las que lo conforman, los cuales hacen referencia al nivel, a la pendiente
y a la curvatura, en ese orden.
El modelo de N & S, es relativamente sencillo de estimar, y tiene un alto poder de
estimación de acuerdo a los trabajos realizados, y su proyección resulta eficaz en
términos de sencillez y de significancia (Lundblad, 2016). La mayoría de Bancos
Centrales utilizan el Modelo de N & S o algunas de sus variantes para poder
estimar sus curvas de rendimiento.
1.2.6 Modelo de Nelson - Siegel - Svensson
En el año de 1994, Svensson modifica el modelo original, y le agrega un cuarto
factor. Este factor puede ser definido como la sensibilidad a la sensibilidad al
riesgo, haciendo referencia a una segunda derivada.
El modelo (NSS) tiene la siguiente forma:
𝑦(𝜏) = 𝛽1 + 𝛽2 ( 1 − 𝑒− 𝜏𝜆1𝜏𝜆1 ) + 𝛽3 ( 1 − 𝑒− 𝜏𝜆1𝜏𝜆1 − 𝑒− 𝜏𝜆1) + 𝛽4 ( 1 − 𝑒− 𝜏𝜆2𝜏𝜆2 − 𝑒− 𝜏𝜆2)
(21)
11
1.2.7 Modelo Dinámico de Nelson - Siegel
En el año 2006 Francis Diebold y Canlin Li, publicaron un artículo, en donde
realizan una variación en el modelo de N&S. Diebold y Li, reconocen que los
parámetros 𝛽1, 𝛽2 y 𝛽3, no pueden ser estáticos (Como asumía el modelo de N&S)
sino que estos deberían variar con respecto al tiempo, para poder explicar las
variaciones que sufrían las curvas de rendimiento a través del tiempo. Así la
representación dinámica del modelo es: 𝑦(𝜏) = 𝛽1𝑡 + 𝛽2𝑡 (1 − 𝑒−𝜆𝜏𝜆𝜏 ) + 𝛽3𝑡 (1 − 𝑒−𝜆𝜏𝜆𝜏 − 𝑒−𝜆𝜏) (22)
En donde, a diferencia del modelo de N&S, los Betas dejan de ser parámetros y
pasan a ser variables.
Es también común encontrar representaciones, en donde se cambie la notación
del modelo, para darle un mayor énfasis a la naturaleza de los 3 factores:
𝑦(𝜏) = 𝐿𝑡 + 𝑆𝑡 (1 − 𝑒−𝜆𝜏𝜆𝜏 ) + 𝐶𝑡 (1 − 𝑒−𝜆𝜏𝜆𝜏 − 𝑒−𝜆𝜏) (23)
Dónde:
[𝐿𝑡𝑆𝑡𝐶𝑡] = [𝑎11 𝑎21 𝑎31𝑎21 𝑎22 𝑎32𝑎31 𝑎32 𝑎33] [𝐿𝑡−1𝑆𝑡−1𝐶𝑡−1] + [𝜂𝐿𝑡𝜂𝑆𝑡𝜂𝐶𝑡] (24)
Cabe resaltar que el modelo NSS también puede convertirse en un modelo
dinámico, bajo el mismo análisis.
12
1.3 Definición de términos básicos
Curva de Rendimientos: Es la representación gráfica de la relación existente
entre las tasas de interés y el tiempo al vencimiento de los Bonos, de iguales
características crediticias. La más usada es la curva de U.S. Treasury (Curva
soberana en USD), que es utilizada como benchmark en diferentes mercados.
Bonos Soberanos: Instrumentos de deuda, emitidos por los gobiernos centrales.
En ellos, el gobierno se compromete a realizar una serie de pagos durante la vida
del bono.
Riesgo de Crédito: El riesgo que mide el deterioro en la probabilidad de
recuperar el principal y los intereses de un préstamo realizado.
Riesgo de Mercado: El riesgo que mide la probabilidad de experimentar pérdidas
asociadas a las variaciones en los mercados financieros (Tipos de Cambio,
Precios de acciones, Tasas de interés, etc.).
Mercado Spot: Mercado de instrumentos financieros en donde la entrega se
realizada de manera inmediata.
Mercado Forward: Mercado de instrumentos financieros, en donde los precios
son establecidos para entregas futuras.
Bonos Unsecured: Bonos emitidos sin garantía alguna.
Activos Financieros:
Bootstraping: Un método por el cual se construye una curva de rendimiento
cupón cero, a partir de instrumentos que devenguen valor (Pago de cupones).
Opciones Financieras: Un tipo de instrumento derivado financiero que representa
un contrato donde el suscriptor tiene el derecho, mas no la obligación, de comprar
(Opción Call) o vender (Opción Put) el activo subyacente al contrato. El valor del
instrumento deriva del precio del subyacente que puede ser: Commodity, Tasas de
Interés, Precio de una acción, precio de un índice, etc.
Libre de Riesgo: Se dice que un prestatario es libre de riesgo, cuando existe
certeza con respecto al pago de la deuda. Se consideran emisores libres de riesgo
a los Gobiernos que emiten deuda en su moneda local.
13
Portafolio Coberturado: Se dice de un portafolio, en el cual se ha eliminado los
riesgos asociados al mismo (Riesgo de Crédito y Mercado). Para su construcción
es posible tomar posiciones largas como cortas.
Volatility Clusters: Hace referencia a la tendencia experimentada por los activos
financieros, donde se observan persistencias en el nivel de riesgo (medido como
la desviación de los precios) por periodos de tiempo. Los periodos de alta
volatilidad son seguidos por periodos de alta volatilidad, y de manera contraria, los
periodos de baja volatilidad son seguidos por periodos de baja volatilidad.
CAPÍTULO II: HIPÓTESIS Y VARIABLES
2.1 Formulación Hipótesis Principal y secundarias.
2.1.1 Hipótesis Principal
Diseñando el Modelo paramétrico robusto de Nelson & Siegel, entonces la
proyección de la Curva de Rendimientos de Bonos Peruanos en soles es la
adecuada.
2.1.2 Hipótesis Secundaria
a. El Modelo Nelson & Siegel para la proyección de la Curva de Rendimientos
no se ve impactado negativamente por un contexto de baja liquidez y
profundidad del mercado de capitales.
b. El modelo de regresión adecuado para los factores Betas de Nelson &
Siegel por comprobarse la estabilidad de las variables.
c. Si los Plazos de estimación de la curva de rendimientos se cumplen,
entonces el modelo predictivo propuesto es el adecuado.
14
2.2 Variables y definición operacional
2.2.1 Variables independientes
Betas: En el marco del modelo de Nelson & Siegel Dinámicos, los Betas
son variables que representan el nivel, la pendiente y la curvatura de la
curva de rendimiento, las cuales son dinámicos. En los modelos estáticos
de Nelson & Siegel los Betas son parámetros estimados con información
histórica. Se encuentra en escala nominal.
Lambda: Es un parámetro que calibra la ecuación de los modelos de
Nelson & Siegel. Se calcula con información histórica. Se encuentra en
escala nominal.
2.2.2 Variables dependientes
Tasas de Interés: Dentro del presente proyecto de Tesis, representa al
vector de costos de endeudamiento a los diferentes plazos observados. Se
encuentra en escala porcentual.
CAPÍTULO III: METODOLOGIA
3.1 Diseño Metodológico
Las investigaciones no experimentales se definen como aquellas en las que no se
manipulan las variables de manera intencionada (Hernández, Fernandez, &
Baptista, 2010). En base a lo anterior el diseño de la presente investigación se
define como “No Experimental”, cuyo objetivo es la de describir la relación entre
las tasas de interés y plazos, para poder realizar proyecciones fidedignas.
3.1.1 Tipo de Investigación
El presente trabajo de investigación es una investigación del tipo cuantitativa,
donde la variable a investigar es la curva de rendimiento. De manera adicional es
15
una investigación exploratoria que tiene como propósito el de validar las diferentes
teorías financieras a la realidad peruana.
3.2 Diseño muestral
3.2.1 Población
Conformada por las tasas de interés de la Curva Cupón Cero Soberana en
Nuevos Soles a los diferentes vencimientos observados (Que en su conjunto
forman la curva de rendimiento), proporcionada por la SBS, que comprende
información correspondiente al periodo 1999 al 2018.
3.2.2 Muestra
Comprende la información utilizada para el proyecto de investigación son La
muestra abarca datos desde Enero del 2006 hasta Mayo del 2016, en frecuencia
mensual.
Las Curvas de rendimiento de las fechas de la muestra son mostradas a
continuación:
Figura 1 – Curva de Rendimientos Soberana Perú – Cupón Cero
Fuente: Elaboración propia.
16
3.3 Técnicas de recolección de datos
Para el procesamiento de la data se ha utilizado un modelo paramétrico de Nelson
& Siegel Dinámico. La muestra ha sido dividida en 2 grupos, el primero
conformado por las curvas de rendimiento desde Enero del 2006 hasta Diciembre
del 2014, y la segunda desde Enero del 2015 hasta Mayo del 2016. El modelo
paramétrico (3 parámetros Betas y uno Lambda), estará basado con data del
primer grupo de la muestra, y se comprobara su poder de predicción, proyectando
sus resultados y comparándolos con los datos reales obtenidos para las fechas del
segundo grupo de la muestra (Enero del 2016 hasta Mayo del 2016). El software
utilizado para este paso fue MATLAB.
Para la proyección, y como quedo definido en el Marco teórico, las curvas de
rendimiento son explicadas en más del 99% en 3 parámetros denominados Betas,
que hacen referencia al Nivel, a la Pendiente y a la Curvatura. Por consiguiente la
proyección de la curva de rendimientos, equivale a proyectar los parámetros
Betas.
Esto se realizó mediante simple procesos Auto regresivos de orden 1 (AR 1). De
manera adicional se utiliza un Lambda estático, definido en 0.03486 (Obtenido vía
Mínimos Cuadrados Ordinarios). Este paso se realizado con el software E- views
10.
La representación matemática de las Curvas de Rendimiento, queda definido por:
𝑦(𝜏) = 𝛽1𝑡 + 𝛽2𝑡 (1 − 𝑒−𝜆𝜏𝜆𝜏 ) + 𝛽3𝑡 (1 − 𝑒−𝜆𝜏𝜆𝜏 − 𝑒−𝜆𝜏)
Donde : 𝛽1𝑡 = 𝐹𝑎𝑐𝑡𝑜𝑟 𝑑𝑒 𝑁𝑖𝑣𝑒𝑙 𝛽2𝑡 = 𝐹𝑎𝑐𝑡𝑜𝑟 𝑑𝑒 𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒
17
𝛽3𝑡 = 𝐹𝑎𝑐𝑡𝑜𝑟 𝑑𝑒 𝐶𝑢𝑟𝑣𝑎𝑡𝑢𝑟𝑎 𝑦(𝑡) = 𝑇𝑎𝑠𝑎 𝑑𝑒 𝑖𝑛𝑡𝑒𝑟𝑒𝑠 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑙𝑎𝑧𝑜 (𝑡) 𝜆 = 𝐿𝑎𝑚𝑏𝑑𝑎. 𝑃𝑎𝑟𝑎𝑚é𝑡𝑟𝑜 𝑎 𝑒𝑠𝑡𝑖𝑚𝑎𝑟 𝑝𝑎𝑟𝑎 𝑐𝑎𝑙𝑖𝑏𝑟𝑎𝑟 𝑒𝑙 𝑚𝑜𝑑𝑒𝑙𝑜
3.4 Técnicas estadísticas para el procesamiento de la información
Se ha aplicaron las siguientes herramientas para el procesamiento de información:
Bloomberg: Base de Datos de información financiera, para la recolección y
procesamientos de datos.
EVIEWS: Paquete econométrico para la estimación de Parámetros
estadísticos que se eindican: 𝛽1𝑡 = 𝐹𝑎𝑐𝑡𝑜𝑟 𝑑𝑒 𝑁𝑖𝑣𝑒𝑙 𝛽2𝑡 = 𝐹𝑎𝑐𝑡𝑜𝑟 𝑑𝑒 𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝛽3𝑡 = 𝐹𝑎𝑐𝑡𝑜𝑟 𝑑𝑒 𝐶𝑢𝑟𝑣𝑎𝑡𝑢𝑟𝑎 𝑦(𝑡) = 𝑇𝑎𝑠𝑎 𝑑𝑒 𝑖𝑛𝑡𝑒𝑟𝑒𝑠 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑙𝑎𝑧𝑜 (𝑡) 𝜆 = 𝐿𝑎𝑚𝑏𝑑𝑎. 𝑃𝑎𝑟𝑎𝑚é𝑡𝑟𝑜 𝑎 𝑒𝑠𝑡𝑖𝑚𝑎𝑟 𝑝𝑎𝑟𝑎 𝑐𝑎𝑙𝑖𝑏𝑟𝑎𝑟 𝑒𝑙 𝑚𝑜𝑑𝑒𝑙𝑜
MATLAB: Software utilizado en el procesamiento de la información y
modelamiento del modelo propuesto.
3.5 Aspectos éticos
La investigación es propia, elaborada por el suscrito, con información pública.
Ética de la recolección de datos:
Los datos para la formulación de los modelos han sido recopilados de la
información publicada por la Superintendencia de Banca, Seguros y AFPs, y
recopilada a través de Bloomberg, proveedor de información mundial.
18
Ética sobre los datos:
La información es pública, calculada por un organismo gubernamental,
fortaleciendo la integridad de la data.
Ética sobre el Procesamiento de los datos
Los datos fueron procesados en software estadísticos los cuales han dado los
resultados esperados acorde con los objetivos planteados en el presente trabajo.
19
CAPÍTULO IV: RESULTADOS
4.1 Resultados
Mediante la estimación paramétrica, se obtuvo los siguiente matriz de Betas
(Nivel, Pendiente y Curvatura), que caracterizan la curva soberana en soles, para
las fechas del primer grupo de los datos, que se muestra en las tablas que se
adjuntan.
Figura 2 – Promedio Curva de Rendimiento Cupoón Cero - PEN
Fuente: Elaboración propia.
20
Tabla 1
Estimación Factores Betas
Fecha b1 b2 b3 Fecha b1 b2 b3ene-06 0.0889 -0.0457 -0.0405 may-09 0.0804 -0.0384 -0.0557
feb-06 0.0815 -0.0367 -0.0256 jun-09 0.0799 -0.0469 -0.0432
mar-06 0.0895 -0.0419 -0.0323 jul-09 0.0917 -0.0661 -0.0464
abr-06 0.0874 -0.0383 -0.0442 ago-09 0.0855 -0.0728 -0.0769
may-06 0.0972 -0.0454 0.0433 sep-09 0.0910 -0.0791 -0.0841
jun-06 -0.0156 0.0627 0.2135 oct-09 0.0909 -0.0788 -0.0893
jul-06 0.0842 -0.0374 -0.0000 nov-09 0.0847 -0.0718 -0.0905
ago-06 0.0862 -0.0364 0.0000 dic-09 0.0836 -0.0713 -0.0747
sep-06 0.0837 -0.0338 0.0000 ene-10 0.0951 -0.0827 -0.0805
oct-06 0.0735 -0.0249 -0.0000 feb-10 0.0846 -0.0736 -0.0630
nov-06 0.0748 -0.0286 0.0000 mar-10 0.0994 -0.0876 -0.0712
dic-06 0.0674 -0.0224 -0.0000 abr-10 0.1027 -0.0901 -0.0633
ene-07 0.0746 -0.0259 0.0000 may-10 0.0900 -0.0783 -0.0382
feb-07 0.0623 -0.0155 -0.0000 jun-10 0.0920 -0.0786 -0.0407
mar-07 0.0680 -0.0191 -0.0000 jul-10 0.0820 -0.0648 0.0000
abr-07 0.0577 -0.0117 0.0000 ago-10 0.0764 -0.0574 -0.0072
may-07 0.0570 -0.0115 -0.0000 sep-10 0.0717 -0.0537 0.0000
jun-07 0.0623 -0.0144 0.0000 oct-10 0.0718 -0.0517 0.0000
jul-07 0.0729 -0.0230 -0.0000 nov-10 0.0715 -0.0492 0.0000
ago-07 0.0668 -0.0160 -0.0000 dic-10 0.1032 -0.0794 0.0000
sep-07 0.0647 -0.0108 -0.0000 ene-11 0.0796 -0.0496 -0.0654
oct-07 0.0650 -0.0114 -0.0000 feb-11 0.0909 -0.0552 -0.0424
nov-07 0.0614 -0.0128 -0.0047 mar-11 0.0830 -0.0506 -0.0493
dic-07 0.0624 -0.0088 -0.0000 abr-11 0.0780 -0.0466 -0.0000
ene-08 0.0667 -0.0099 -0.0000 may-11 0.0937 -0.0506 -0.0374
feb-08 0.0656 -0.0194 -0.0000 jun-11 0.0781 -0.0357 0.0000
mar-08 0.0879 -0.0432 -0.0209 jul-11 0.0771 -0.0400 -0.0000
abr-08 0.0797 -0.0392 -0.0121 ago-11 0.0700 -0.0325 -0.0000
may-08 0.0783 -0.0233 -0.0645 sep-11 0.0728 -0.0310 -0.0505
jun-08 0.0775 -0.0417 -0.0040 oct-11 0.0943 -0.0511 -0.0767
jul-08 0.0778 -0.0437 -0.0030 nov-11 0.0843 -0.0415 -0.0592
ago-08 0.0901 -0.0285 -0.0765 dic-11 0.0824 -0.0398 -0.0560
sep-08 0.0886 -0.0254 -0.0531 ene-12 0.0822 -0.0400 -0.0571
oct-08 0.0884 -0.0234 -0.0200 feb-12 0.0826 -0.0407 -0.0577
nov-08 0.0979 -0.0331 0.0064 mar-12 0.0734 -0.0337 -0.0613
dic-08 0.0861 -0.0188 -0.0000 abr-12 0.0720 -0.0306 -0.0718
ene-09 0.0793 -0.0143 -0.0144 may-12 0.0652 -0.0241 -0.0664
feb-09 0.0975 -0.0330 -0.0363 jun-12 0.0650 -0.0315 -0.0611
mar-09 0.0976 -0.0326 -0.0497 jul-12 0.0593 -0.0178 -0.0703
abr-09 0.1102 -0.0544 -0.0716 ago-12 0.0539 -0.0171 -0.0592
21
Fuente: Elaboración propia.
Con esta estimación de Betas, ha sido posible construir la curva de rendimiento
para cada fecha, y poder compararla con la data histórica. A continuación se
muestras el promedio de las curvas de rendimiento observadas y las obtenidas
mediantes Nelson & Siegel.
Como se puede observar, la diferencia medida en spread (Diferencias entre las
tasas de interés Observadas y Nelson & Siegel para el mismo vencimiento) son
muy pequeñas, obteniendo un mejor ajuste para los vencimientos más cercanos.
Para poder reforzar esa idea se ha contrastado las tasas de interés tanto
observadas como las de Nelson & Siegel para el mismo vencimiento a lo largo del
tiempo.
22
Figura 3 – Vencimientos a 3 meses: Observados vs Estimados
Fuente: Elaboración propia.
Figura 4 – Vencimientos a 1 año: Observados vs Estimados
Fuente: Elaboración propia.
23
Figura 5 – Vencimientos a 5 años: Observados vs Estimados
Fuente: Elaboración propia.
24
Figura 6 – Vencimientos a 5 años: Observados vs Estimados
Fuente: Elaboración propia.
25
Figura 7 – Vencimientos a 10 años: Observados vs Estimados
Fuente: Elaboración propia.
Como se preveía, la tasa de interés para el vencimiento de 3 meses ajusta
muchísimo mejor que para el vencimiento de 10 años. Y en general mientras
menor sea el vencimiento, el ajuste es mejor.
Numéricamente se presenta a continuación las tablas con las medidas de
dispersión obtenidas por el modelo.
26
Tabla 2 Medidas de dispersión del modelo
Fecha MSE St. Error MAPE
Max. Abs.
Error
Max. Rel.
Error
ene-06 0.00011 0.01061 0.00982 0.01271 0.18256
feb-06 0.00005 0.00686 0.00640 0.00829 0.12460
mar-06 0.00009 0.00955 0.00891 0.01145 0.15752
abr-06 0.00020 0.01402 0.01299 0.01716 0.23346
may-06 0.00026 0.01620 0.01538 0.01937 0.28794
jun-06 0.00033 0.01810 0.01510 0.03531 0.43324
jul-06 0.00000 0.00073 0.00070 0.00083 0.01356
ago-06 0.00003 0.00568 0.00535 0.00666 0.10392
sep-06 0.00003 0.00539 0.00507 0.00648 0.10227
oct-06 0.00000 0.00132 0.00120 0.00177 0.03691
nov-06 0.00000 0.00114 0.00107 0.00145 0.02410
dic-06 0.00000 0.00146 0.00139 0.00182 0.03324
ene-07 0.00001 0.00360 0.00337 0.00432 0.07311
feb-07 0.00000 0.00201 0.00189 0.00282 0.05164
mar-07 0.00001 0.00325 0.00305 0.00393 0.06977
abr-07 0.00001 0.00254 0.00239 0.00363 0.06839
may-07 0.00001 0.00287 0.00271 0.00400 0.07528
jun-07 0.00000 0.00089 0.00080 0.00142 0.02655
jul-07 0.00001 0.00293 0.00276 0.00351 0.05866
ago-07 0.00000 0.00214 0.00200 0.00314 0.05365
sep-07 0.00000 0.00114 0.00098 0.00234 0.04482
oct-07 0.00000 0.00125 0.00111 0.00220 0.04243
nov-07 0.00004 0.00623 0.00590 0.00890 0.14872
dic-07 0.00001 0.00278 0.00261 0.00447 0.07450
ene-08 0.00000 0.00107 0.00091 0.00300 0.05520
feb-08 0.00002 0.00497 0.00472 0.00687 0.11650
mar-08 0.00002 0.00440 0.00403 0.00553 0.08381
abr-08 0.00000 0.00179 0.00167 0.00208 0.03542
may-08 0.00004 0.00664 0.00579 0.00869 0.14041
jun-08 0.00000 0.00039 0.00037 0.00046 0.00817
jul-08 0.00004 0.00628 0.00599 0.00764 0.12889
ago-08 0.00018 0.01325 0.01178 0.01713 0.22995
sep-08 0.00012 0.01087 0.00973 0.01392 0.18018
oct-08 0.00009 0.00950 0.00897 0.01161 0.14198
nov-08 0.00008 0.00914 0.00849 0.01328 0.15026
dic-08 0.00000 0.00035 0.00028 0.00116 0.01727
ene-09 0.00001 0.00371 0.00342 0.00450 0.06104
feb-09 0.00004 0.00618 0.00521 0.00925 0.12755
27
Fecha MSE St. Error MAPE
Max. Abs.
Error
Max. Rel.
Error
mar-09 0.00001 0.00331 0.00273 0.00490 0.06636
abr-09 0.00011 0.01040 0.00851 0.01627 0.24894
may-09 0.00001 0.00331 0.00276 0.00477 0.09075
jun-09 0.00000 0.00149 0.00133 0.00187 0.03396
jul-09 0.00001 0.00282 0.00256 0.00347 0.06656
ago-09 0.00011 0.01067 0.00962 0.01285 0.29797
sep-09 0.00006 0.00743 0.00665 0.00945 0.20897
oct-09 0.00005 0.00691 0.00614 0.00889 0.20207
nov-09 0.00013 0.01136 0.01011 0.01445 0.33296
dic-09 0.00009 0.00925 0.00834 0.01161 0.26062
ene-10 0.00002 0.00482 0.00433 0.00622 0.12902
feb-10 0.00005 0.00689 0.00627 0.00827 0.19706
mar-10 0.00000 0.00175 0.00159 0.00227 0.04407
abr-10 0.00001 0.00263 0.00239 0.00336 0.07152
may-10 0.00000 0.00006 0.00005 0.00018 0.00792
jun-10 0.00001 0.00313 0.00291 0.00378 0.07392
jul-10 0.00000 0.00119 0.00113 0.00142 0.02964
ago-10 0.00000 0.00022 0.00021 0.00025 0.00559
sep-10 0.00000 0.00019 0.00012 0.00063 0.02947
oct-10 0.00000 0.00087 0.00076 0.00135 0.05685
nov-10 0.00001 0.00382 0.00360 0.00483 0.10394
dic-10 0.00041 0.02014 0.01886 0.02354 0.49636
ene-11 0.00005 0.00720 0.00636 0.00906 0.17459
feb-11 0.00003 0.00526 0.00469 0.00708 0.11510
mar-11 0.00001 0.00359 0.00324 0.00451 0.08095
abr-11 0.00000 0.00086 0.00078 0.00141 0.02879
may-11 0.00000 0.00044 0.00040 0.00056 0.00831
jun-11 0.00000 0.00150 0.00142 0.00182 0.02946
jul-11 0.00001 0.00235 0.00213 0.00319 0.08176
ago-11 0.00000 0.00086 0.00061 0.00265 0.07250
sep-11 0.00001 0.00357 0.00308 0.00465 0.08623
oct-11 0.00000 0.00213 0.00179 0.00308 0.05030
nov-11 0.00000 0.00168 0.00142 0.00241 0.04088
dic-11 0.00000 0.00084 0.00071 0.00121 0.02026
ene-12 0.00000 0.00013 0.00011 0.00020 0.00366
feb-12 0.00000 0.00008 0.00007 0.00015 0.00253
mar-12 0.00003 0.00533 0.00461 0.00693 0.13228
abr-12 0.00007 0.00858 0.00750 0.01106 0.21145
may-12 0.00010 0.00997 0.00887 0.01250 0.25044
jun-12 0.00010 0.01021 0.00916 0.01227 0.25978
jul-12 0.00013 0.01144 0.01032 0.01423 0.30666
ago-12 0.00014 0.01166 0.01064 0.01406 0.32296
sep-12 0.00006 0.00768 0.00699 0.00905 0.21079
28
Fuente: Elaboración propia.
Donde MSE, es el promedio de la suma de los Cuadrados de las diferencias entre
los valores observados y los obtenidos por la estimación; St. Error es la raíz
Cuadrada de MSE; MAPE es el promedio de los valores absolutos de las
diferencias entre los valores observados y los obtenidos por la estimación; Mas.
Abs. Error, es el máximo valor absoluto obtenidos por las diferencias entre los
valores históricos y estimados (Para la misma curva de rendimiento) y Max. Rel.
Error, es el máximo valor del error (diferencia entre observado y estimado como
porcentaje del observado).
Fecha MSE St. Error MAPE
Max. Abs.
Error
Max. Rel.
Error
oct-12 0.00009 0.00948 0.00856 0.01175 0.28638
nov-12 0.00000 0.00092 0.00085 0.00151 0.04969
dic-12 0.00001 0.00295 0.00266 0.00417 0.09516
ene-13 0.00000 0.00113 0.00105 0.00170 0.05663
feb-13 0.00002 0.00447 0.00395 0.00563 0.17288
mar-13 0.00005 0.00693 0.00622 0.00859 0.30328
abr-13 0.00003 0.00591 0.00531 0.00733 0.24186
may-13 0.00002 0.00407 0.00377 0.00480 0.16219
jun-13 0.00000 0.00195 0.00176 0.00242 0.05825
jul-13 0.00000 0.00159 0.00137 0.00250 0.10186
ago-13 0.00000 0.00155 0.00130 0.00215 0.04063
sep-13 0.00027 0.01652 0.01536 0.01976 0.35052
oct-13 0.00001 0.00302 0.00251 0.00433 0.08026
nov-13 0.00003 0.00585 0.00495 0.00846 0.15517
dic-13 0.00006 0.00765 0.00635 0.01152 0.19737
ene-14 0.00004 0.00620 0.00520 0.00929 0.15121
feb-14 0.00000 0.00063 0.00058 0.00112 0.01662
mar-14 0.00001 0.00281 0.00240 0.00393 0.06695
abr-14 0.00005 0.00711 0.00602 0.00957 0.16664
may-14 0.00001 0.00352 0.00305 0.00466 0.08242
jun-14 0.00002 0.00424 0.00361 0.00592 0.10672
jul-14 0.00000 0.00059 0.00052 0.00088 0.01713
ago-14 0.00025 0.01592 0.01418 0.02187 0.40575
sep-14 0.00001 0.00370 0.00315 0.00513 0.09780
oct-14 0.00003 0.00527 0.00472 0.00679 0.12389
nov-14 0.00000 0.00205 0.00178 0.00315 0.05480
dic-14 0.00008 0.00882 0.00751 0.01301 0.22762
0.00004 0.00504 0.00453 0.00668 0.12418
29
Para poder cuantificar el poder explicativo del modelo, se ha elaborado la
siguiente tabla:
Tabla 3
Poder de predicción por meses de Vencimiento
Fuente: Elaboración propia.
Poder explicativo del modelo, por vencimiento asociado. Como ya se había
mencionado con anterioridad, el modelo ajusta mejor para los vencimientos más
cortos (menores a 2 años), lo cual es concordante con la teoría, y además es
eficiente pues en el mercado monetario (Menor a 1 año) se realizan la mayor
cantidad de transacciones.
30
De manera similar se ha analizado el poder explicativo del modelo, pero por
fechas. Con lo cual se ha obtenido en promedio un poder explicativo de 91.01%,
igual al obtenido mediante al análisis realizado por vencimientos.
Tabla 4 Poder de predicción por Fechas
FechaPoder de
PredicciónFecha
Poder de
Predicción
ene-06 85.48% may-09 94.11%
feb-06 90.03% jun-09 97.32%
mar-06 87.39% jul-09 94.61%
abr-06 81.90% ago-09 77.44%
may-06 77.70% sep-09 83.45%
jun-06 78.67% oct-09 84.14%
jul-06 98.94% nov-09 74.45%
ago-06 91.49% dic-09 79.40%
sep-06 91.81% ene-10 89.45%
oct-06 97.98% feb-10 84.57%
nov-06 98.19% mar-10 96.23%
dic-06 97.55% abr-10 94.35%
ene-07 94.19% may-10 99.86%
feb-07 96.59% jun-10 93.80%
mar-07 94.45% jul-10 97.64%
abr-07 95.52% ago-10 99.55%
may-07 94.88% sep-10 99.62%
jun-07 98.53% oct-10 98.29%
jul-07 95.26% nov-10 91.71%
ago-07 96.65% dic-10 58.98%
sep-07 98.33% ene-11 86.88%
oct-07 98.12% feb-11 90.75%
nov-07 89.95% mar-11 93.70%
dic-07 95.61% abr-11 98.55%
ene-08 98.46% may-11 99.34%
feb-08 92.08% jun-11 97.58%
mar-08 93.09% jul-11 96.10%abr-08 97.03% ago-11 98.76%
may-08 90.02% sep-11 93.86%
jun-08 99.33% oct-11 96.52%
jul-08 90.14% nov-11 97.17%
ago-08 83.31% dic-11 98.59%
sep-08 86.84% ene-12 99.78%
oct-08 88.82% feb-12 99.86%
nov-08 90.51% mar-12 90.52%
dic-08 99.62% abr-12 84.63%
ene-09 95.23% may-12 81.17%
feb-09 92.27% jun-12 79.75%
mar-09 95.95% jul-12 76.40%
abr-09 85.48% ago-12 74.53%
31
Fuente: Elaboración propia.
Análisis de Proyección:
Como ya se mencionó, para realizar la proyección se utilizó como insumo la data
del periodo Enero 2006 – Diciembre 2014, obteniendo una matriz de Betas (Nivel,
Pendiente y Curvatura). Para la estimación, es necesaria la proyección de estas 3
variables, con lo cual se podrá estimar la curva de rendimiento para las fechas
futuras y contras tastarla con la data de Enero 2015 – Mayo 2016.
Para la proyección de los Betas se utilizó un modelo AR(1), y también como
comparativo un modelo GARCH(1)–modelo autorregresivo con heterocedasticidad
condicional, donde la varianza del error de estimación es una función de los
errores rezagados -, mostrándose los resultados a continuación:
32
Tabla 5
Estimación AR (1) Variable Nivel
Fuente: Elaboración propia.
Tabla 6
Estimación AR (1) Variable Pendiente
Fuente: Elaboración propia.
33
Tabla 7
Estimación AR (1) Variable Curvatura
Fuente: Elaboración propia.
34
Tabla 8
Modelo GARCH (1) Variable Nivel
Fuente: Elaboración propia.
35
Tabla 9
Modelo GARCH (1) Variable Pendiente
Fuente: Elaboración propia.
36
Tabla 10
Modelo GARCH (1) Variable Curvatura
Fuente: Elaboración propia.
La estimación del modelo GARCH para el factor de Curvatura se presenta
inestable.
Como se observa, los modelos GARCH, no son estables (Factor Curvatura) a
comparación con los modelos AR. Y en la proyección, los modelos AR
demostraron ser mejores (Mayor poder de ajuste).
Con los modelos AR se obtuvieron los siguientes Betas proyectados para las
fechas señaladas:
37
Tabla 11
Modelo AR(1) – Estimación Betas
Fuente: Elaboración propia.
Con estos Betas y el lambda, previamente definido en 0.03486, es posible ahora
construir las curvas de rendimientos para las fechas estimadas.
A continuación se muestra un gráfico comparativo entre el promedio de las Curvas
de rendimiento observados y proyectadas vía Nelson & Siegel.
38
Figura 8 – Promedio Curva de Rendimiento Peru 2015-2016
Fuente: Elaboración propia.
Como se observa, el spread entre una los datos proyectados y los observados es
alto, sin embargo, la teoría financiera nos indica que en proyecciones el modelo
paramétrico de Nelson & Siegel, genera mayores ajuste de bondad con un espacio
de proyección de por lo menos 1 año.
Por eso si comparamos, como se hace en el siguiente gráfico, los promedios de
las curvas de rendimiento observadas y estimadas solo para el año 2016, el
spread es menor, con un mayor ajuste para los vencimientos menores a 2 años,
como se había observado también para la estimación histórica.
39
Figura 9 – Promedio Curva de Rendimiento Peru 2016
Fuente: Elaboración propia.
De manera más detallada se ha procedido a graficar todas las curvas de
rendimiento proyectadas y compararlas con las curvas de rendimiento observadas.
40
Figura 10 – Curva de Rendimiento Peru 2015
Fuente: Elaboración propia.
41
Figura 11 – Curva de Rendimiento Peru 2015
Fuente: Elaboración propia.
42
Figura 12 – Curva de Rendimiento Peru 2015
Fuente: Elaboración propia.
43
Figura 12 – Curva de Rendimiento Peru 2016
Fuente: Elaboración propia.
Y los resultados arrojan, una vez más, que la estimación es más robusta con un
año de espacio de proyección. Las curvas estimadas para el año 2016 ajustan
mejor que las del 2015, y ese ajuste va mejorando conforme avance el tiempo (La
curva de Abril ajusta mejor que la curva de Enero).
De manera similar, a lo que realizamos con los resultados históricos obtenidos, se
ha procedido a calcular una tabla con las medidas de dispersión:
44
Tabla 12
Medidas Dispersión Modelo
Fuente: Elaboración propia.
También se ha analizado cuantitativamente el poder de predicción, según el
vencimiento y según las fechas de las curvas de rendimiento.
45
Tabla 13
Poder de predicción por vencimiento - Modelo
Fuente: Elaboración propia.
46
Tabla 14
Poder de predicción por fecha - Modelo
Fuente: Elaboración propia.
Finalmente se grafica los poderes de predicción según vencimiento, obtenidos por
el modelo Nelson & Siegel, para datos históricos y para proyecciones:
47
Figura 14 – Poder Explicativo por Vencimiento
Fuente: Elaboración propia.
También se ha graficado el poder explicativo según las fechas.
48
Figura 15 – Poder Explicativo por Fecha
Fuente: Elaboración propia.
49
CAPÍTULO V: DISCUSIÓN
Como se ha detallado con anterioridad el mercado de capitales peruanos, se
caracteriza por su poca profundidad y liquidez. En ese marco, la curva de
rendimientos soberana, ofrece una referencia de liquidez para la correcta toma de
decisiones. Es importante anotar que la curva Soberana local, en términos
relativos de sus pares de Mercados Emergentes, se mantiene rezagados en
términos de profundidad y de liquidez. De manera adicional, se menciona que en
otras realidades el mercado de deuda corporativa, es el valor de referencia, para
la estimación de valores de deuda.
Con respecto a la correcta caracterización de eventos exógenos, como crisis
financiera Sub-Prime (2007-2008), y el anuncio de la FED sobre la finalización del
programa de Quantitative-easing14 (2013), se encuentran caracterizados por la
data histórica (salto en los niveles de yields, asociados al mayor riesgo asociado),
mientras que los datos proyectados, pierden consistencia en las observaciones
más cercanas a las shocks. Esto se debe, a que estos eventos exógenos
representan cambios estructurales en la dinámica de las tasas de interés.
Por último, sobre la importancia de la curva de rendimiento, en la toma de
decisiones financieras, en orden de maximizar los beneficios económicos,
medidos en valor presente, fundamentado en manejar el timming para tomar
deuda o para reperfilarla, o en la toma de decisiones excluyentes sobre proyectos
de inversión, de acuerdo a las exceptivas sobre las condiciones de mercado. En
ese sentido, el presente trabajo de investigación ha sido capaz de proyectar un
modelo parámetrico robusto, que estima con un alto nivel de confianza las curvas
de rendimiento, tal como se detallará en el punto de conclusiones.
14 Herramienta de política monetaria, diseñado para proveer de liquidez al sistema, a través de cambios en
la composición y/o en el tamaño de las hojas de balance de los Bancos Centrales (Blinder, 2010).
50
CONCLUSIONES
Luego del análisis de los resultados obtenidos, y habiéndolos contrastados con la
data histórica, se concluye que:
a. Con respecto a la idoneidad de utilizar un modelo paramétrico para la
proyección de la curva de rendimientos, en una realidad como la peruana,
descrita principalmente por la falta de liquidez, se puede concluye que los
resultados obtenidos son robustos, basándose en: i) Poder de
caracterización mayor al 90% cuando se realizada con data histórica
(estimación ex post) y, ii) Poder de caracterización mayor al 80%, para las
proyecciones realizadas (estimación ex ante), que ante todo escenario es
un intervalo de confianza alto para los estándares trabajados en finanzas.
Cabe mencionar que los resultados de la proyección, adquieren mayor
consistencia si son realizados con un periodo de por lo menos un año.
b. En lo especifico, sobre la idoneidad, de utilizar al Modelo de Nelson &Siegel
de tres factores, sobre las otras variantes de modelos paramétricos, se
concluye que el parámetro Lambda, estimado por ese modelo, es estable y
replicable para le realidad peruana, inclusive con los niveles de liquidez
rezagados en comparación con economías desarrolladas.
c. De manera adicional se ha estimado los factos de Nivel, Pendiente y
Curvaturas (Betas), para la curva local, a través de modelo auto regresivos
de orden 1 (AR1), que resulta complementario al modelo paramétrico, por lo
que se concluye que los resultados obtenidos indican, en todos los casos,
que eran estadísticamente significativos, Los resultados fueron
contrastados con regresiones de utilizando un modelo autorregresivo con
heterocedasticidad condicional de orden 1 (GARCH 1), obteniendo
resultados inestables para los parámetros tal como se indica en el capítulo
5. Asimismo se concluye que el poder de predicción del modelo estimado
es mayor con plazos cortos de la curva, comparado a los plazos más largos
(medido por lo meses a vencimiento). En todos los casos el poder de
51
caracterización (~ 80%) es un intervalo de confianza alto, como ya se ha
mencionado.
RECOMENDACIONES
a. Se recomienda analizar la idoneidad o el cuidado de no ingresar al modelo
un cuarto factor (Factor de Svensson), que se define como la sensibilidad a
la sensibilidad del modelo, similar al concepto de una segunda derivada.
b. Comparar los resultados con proyecciones realizadas con estructuras de
Random Walk, y analizar las ganancias reales del modelo
c. Utilizar un Modelo VAR con la inclusión de variables macro (Como la tasa
de Referencia, PBI, Gasto Publico) para poder proyectar los factores del
modelo. (Betas) y analizar la ganancia de utilizar este modelo.
52
FUENTES DE INFORMACION
Alfaro, R., Becerra, J., & Sagner, A. (2010). Estimación de la Estructura de Tasas
utilizando el modelo Dinámico Nelson Siegel: Resultados para Chile y
EEUU. Santiago: Banco Central de Chile.
Black, F., & Scholes, M. (1973). The Pricing of Options and Corporate Liabilities. The Journal of Political Economy, 637-654.
Blinder, A. (2010). Quantitative Easing: Entrance and Exit Strategies. New Jersey: Princeton University.
C., J. P. (2010). Estimación de la curva de rendimiento cupón cero. Economía, 103-132.
Cano, C., Correa, R., & Ruiz, L. (2008). La curva de rendimientos y la toma de decisiones Financieras. Moneda, 30-34.
Cox, J. C., Ingersoll, J. E., & Ross, S. A. (1985). A Theory of the Term Structure of Interest Rate. Econometrica, 385-408.
Delfau, E. (2017). Métodos de estimación de curvas de Rendimiento Cupón cero
en Argentina. Buenos Aires: Universidad del CEMA.
Diebold, F., & Li, C. (2006). Forecasting the term structure of government bond yields. Journal of Econometrics, 337 - 364.
Hernández, R., Fernandez, C., & Baptista, P. (2010). Metodología de la
invertigación. México: McGraw Hill.
Litterman, R., & Scheinkman, J. (1991). Common Factor Affecting Bond Returns. The Journal of Fixed Income, 54-61.
Lundblad, C. (2016). The Term Structure of Interest Rate. Lima: BCRP.
Nelson, C., & Siegel, A. (1987). Parsimonious Modeling of Yield Curve. The
Journal of Business, 473-489.
Pereda C., J. (2009). Estimación de la Curva de Rendimiento Cupón Cero para el Perú. Revista Estudios Económicos , 113-145.
Piazzesi, M., & Cochrane, J. H. (2009). Decomposing the Yield Curve. Social
Science Research Network, 1-54.
53
Schlesinger, A. (2006). Estimación de la estructura de tasas de interés reales, de
los instrumentos de renta fija en Chile. Universidad de Chile, Santiago.
Svensson, L., & Dahlquist, M. (1994). Estimating the Term Structure of Interest Rates withs simple and complex functional Forms: Nelsong & Siegel vs. Longstaff & Schawrtz. Institute for International Economic Studies.
Vasicek, O. (1977). An Equilibrium Characterization of the Term Structure . Journal
of Financial Economics, 177-188.
54
ANEXO: Matriz de Consistencia:
MODELO DE PROYECCION PARA LA CURVA DE RENDIMIENTOS DE LOS BONOS SOBERANOS PERUANOS 2006 – 2016.
PROBLEMA OBJETIVOS HIPÓTESIS VARIABLES E INDICADORES
METODOLOGIA
Problema General: ¿Es posible elaborar un modelo paramétrico robusto de Nelson & Siegel para la proyección de la curva de rendimientos de bonos soberanos Peruanos en Soles?
Problemas Específicos: a.- ¿Cómo impacta el nivel de liquidez y de profundidad del mercado de capitales peruano en la estimación del modelo Nelson & Siegel? b.- ¿Cuál es el mejor modelo econométrico para la estimación de los factores Beta dentro del modelo de Nelson & Siegel que permita la estabilidad de las variables.? c.- ¿En qué medida los plazos de estimación de la curva de rendimientos influyen en el poder predictivo del modelo?
a.
Objetivo General: Elaborar un modelo paramétrico robusto, para la proyección de la curva de rendimientos de los Bonos Soberanos Unsecured Peruanos en Soles. Objetivos Específicos: a.- Determinar si un contexto caracterizado por poca liquidez y profundidad del mercado de capitales, peruano, impacta en la estimación del modelo Nelson & Siegel. b.- Identificar el modelo de regresión adecuado para los factores Betas de Nelson & Siegel y permita comprobar la estabilidad de las variables. c.- Analizar la bondad del modelo de acuerdo a los plazos de la estimación de la curva de rendimientos para el modelo predictivo.
Hipótesis General: Diseñando el Modelo paramétrico robusto de Nelson & Siegel, entonces la proyección de la Curva de Rendimientos de Bonos Peruanos en soles es la adecuada. Hipótesis Especificas: a.- El Modelo Nelson & Siegel para la proyección de la Curva de Rendimientos no se ve impactado negativamente por un contexto de baja liquidez y profundidad del mercado de capitales. b.- El modelo de regresión adecuado para los factores Betas de Nelson & Siegel por comprobarse la estabilidad de las variables. c.- Si los Plazos de estimación de la curva de rendimientos se cumplen, entonces el modelo predictivo propuesto es el adecuado.
Variable Independiente:
X: Betas X1. Nivel X2.Pendiente X3. Curvatura X4. Lambda
Variable Dependiente: Y: Tasas de Interés
1. Tipo de investigación: Aplicada. 2. Nivel de investigación: Descriptiva. 3. Métodos: Descriptivo, Regresión, Estadístico y de Análisis-Síntesis. 4. Diseño: Investigación no experimental. 5. Población: Está conformada por la curva de rendimiento Cupón Cero en Soles, publicada por la Superintendencia de Banca y Seguros. 6. Muestra: La muestra representativa está compuesta por la serie histórica comprendida entre Enero 2006 y Mayo 2016, con frecuencia mensual. 7. Técnicas: Recolección de información de Base de Datos especializadas: Bloomberg. 8. Instrumento Ficha de acopio de información